PCCL(Prime Collective Communication Library)はPrime Intellectが分散化AIトレーニング環境のために特別に設計した軽量通信ライブラリであり、従来の通信ライブラリ(であるNCCLやGloo)の異種デバイスや低帯域幅ネットワークにおける適応ボトルネックを解決することを目的としています。PCCLはスパーストポロジー、勾配圧縮、低精度同期およびチェックポイント復旧をサポートし、コンシューマ向けGPUや不安定なノードで実行可能であり、OpenDiLoCoプロトコルの非同期通信能力を支える基盤コンポーネントです。これは、トレーニングネットワークの帯域幅耐性とデバイス互換性を大幅に向上させ、真にオープンで信頼を必要としない協調トレーニングネットワークを構築するための"最後の1マイル"の通信基盤を開通させました。
分散型AIトレーニングの新たなパラダイム:Prime IntellectからINTELLECT-2へ
分散化訓練:AI 発展の新しいパラダイム探索
AIの全バリューチェーンにおいて、モデルのトレーニングはリソース消費が最も大きく、技術的なハードルが最も高いプロセスであり、モデルの能力の上限と実際の応用効果を直接決定します。推論段階の軽量な呼び出しと比較して、トレーニングプロセスは持続的な大規模な計算力の投入、複雑なデータ処理プロセス、高強度の最適化アルゴリズムのサポートを必要とし、AIシステム構築の真の「重工業」です。アーキテクチャのパラダイムから見ると、トレーニング方式は集中化トレーニング、分散化トレーニング、フェデラルラーニング、そして本論文で重点的に議論する分散化トレーニングの4つのカテゴリに分けることができます。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
集中化トレーニングは最も一般的な従来の方法であり、単一の機関がローカルの高性能クラスター内で全てのトレーニングプロセスを完了します。ハードウェア、基盤ソフトウェア、クラスタースケジューリングシステム、トレーニングフレームワークのすべてのコンポーネントが、統一された制御システムによって調整されて動作します。この深い協調のアーキテクチャは、メモリ共有、勾配同期、フォールトトレランスメカニズムの効率を最適化し、GPT、Geminiなどの大規模モデルのトレーニングに非常に適しており、高い効率とリソースの制御という利点を持っていますが、同時にデータ独占、リソースバリア、エネルギー消費、単一障害点などの問題も存在します。
分散化トレーニングは、現在の大規模モデルトレーニングの主流の方法であり、その核心はモデルトレーニングのタスクを分解し、複数のマシンに配信して協調実行することにより、単一の計算およびストレージのボトルネックを突破することです。物理的には「分散化」特性を持っているものの、全体は依然として中央集権的な機関によって制御、調整、同期され、通常は高速ローカルエリアネットワーク環境で運用され、NVLink高速相互接続バス技術を通じて、主ノードが各サブタスクを統一的に調整します。主流の方法には以下が含まれます:
分散型トレーニングは「集中制御 + 分散実行」の組み合わせであり、同じボスが遠隔で複数の「オフィス」の従業員に指揮をとってタスクを完了させることに例えられます。現在、ほぼすべての主流の大規模モデル(GPT-4、Gemini、LLaMAなど)はこの方法でトレーニングを完了しています。
! クリプトAIの聖杯:分散型トレーニングのフロンティア探索
分散化トレーニングは、よりオープンで検閲に強い未来の道を示しています。その核心的な特徴は、複数の相互に信頼しないノード(が家庭用コンピュータ、クラウドGPU、またはエッジデバイス)であり、中央のコーディネーターなしで協力してトレーニングタスクを完了することです。通常、プロトコルによってタスクの配布と協力が促進され、暗号化されたインセンティブメカニズムによって貢献の誠実性が確保されます。このモデルが直面する主な課題には:
分散化トレーニングは、世界中のボランティアがそれぞれ計算能力を提供してモデルを協力してトレーニングすることと理解できますが、「真に実行可能な大規模分散化トレーニング」は依然としてシステム全体の工学的挑戦であり、システムアーキテクチャ、通信プロトコル、暗号セキュリティ、経済メカニズム、モデル検証などの複数の側面に関わります。しかし、「協力的に効果的 + 誠実にインセンティブ + 結果が正しい」かどうかはまだ初期のプロトタイプ探索段階にあります。
フェデレーテッドラーニングは、分散型と分散化の間の移行形態として、データのローカル保持とモデルパラメータの集中聚合を強調し、プライバシーコンプライアンスを重視するシーンに適しています(、例えば医療や金融)。フェデレーテッドラーニングは、分散トレーニングの工学的構造とローカル協力能力を持ちながら、分散化トレーニングのデータ分散の利点も兼ね備えていますが、信頼できる調整者に依存しており、完全なオープン性や検閲抵抗性を持っているわけではありません。プライバシーコンプライアンスのシーンにおける「制御された分散化」ソリューションと見なすことができ、トレーニングタスク、信頼構造、通信メカニズムのすべてにおいて比較的穏やかであり、工業界の移行的デプロイメントアーキテクチャとしてより適しています。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
分散化トレーニングの境界、機会と現実の道
トレーニングのパラダイムから見ると、分散化トレーニングはすべてのタスクタイプに適しているわけではありません。特定のシナリオでは、タスクの構造が複雑で、リソースの要求が非常に高いか、協力の難易度が高いため、異種の信頼されていないノード間で効率的に完了することは自然に適していません。例えば、大規模モデルのトレーニングは高いメモリ、低遅延、高速バンド幅に依存することが多く、オープンネットワークで効果的に分割および同期することは難しいです。データプライバシーと主権制限が厳しいタスク(、例えば医療、金融、機密データ)は法的遵守と倫理的制約のためにオープンに共有することができません。また、協力のインセンティブが不足しているタスク(、例えば企業のクローズドソースモデルや内部プロトタイプのトレーニング)は外部の参加動機が欠けています。これらの境界が現在の分散化トレーニングの現実的な制約を構成しています。
しかし、これは分散化トレーニングが偽の提案であることを意味するわけではありません。実際、構造が軽量で、並行性が高く、インセンティブがあるタスクタイプにおいて、分散化トレーニングは明確な応用の見通しを示しています。LoRA微調整、行動整合性に関する後処理タスク(、RLHF、DPO)、データクラウドソーシングトレーニングとラベリングタスク、リソース制御された小型基盤モデルのトレーニング、そしてエッジデバイスが参加する協調トレーニングシナリオなどが含まれます。これらのタスクは一般的に高い並行性、低いカップリング性、異種計算能力に対する耐性を備えており、P2Pネットワーク、Swarmプロトコル、分散最適化器などを通じて協働トレーニングを行うのに非常に適しています。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
分散化トレーニングクラシックプロジェクト解析
現在、分散化トレーニングとフェデレートラーニングの最前線分野において、代表的なブロックチェーンプロジェクトには、Prime Intellect、Pluralis.ai、Gensyn、Nous Research、Flock.ioが含まれます。技術革新性とエンジニアリング実現の難易度の観点から、Prime Intellect、Nous Research、Pluralis.aiはシステムアーキテクチャとアルゴリズム設計において多くの独創的な探求を提案しており、現在の理論研究の最前線を代表しています。一方、GensynとFlock.ioの実現経路は比較的明確で、初歩的なエンジニアリングの進展が見られます。本稿では、これら5つのプロジェクトの背後にあるコア技術とエンジニアリングアーキテクチャを順次解析し、分散化AIトレーニングシステムにおけるその違いと相補的関係をさらに探討します。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
プライムインテレクト: トレーニング軌跡検証可能な強化学習協同ネットワークの先駆者
Prime Intellectは、信頼を必要としないAIトレーニングネットワークの構築に取り組んでおり、誰でもトレーニングに参加でき、その計算貢献に対して信頼できる報酬を得ることができます。Prime Intellectは、PRIME-RL + TOPLOC + SHARDCASTの3つの主要モジュールを通じて、検証可能でオープン、かつインセンティブメカニズムが完全なAI分散化トレーニングシステムを構築することを目指しています。
01、Prime Intellectプロトコルスタック構造と主要モジュールの価値
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
02、Prime Intellectのトレーニングの重要なメカニズムの詳細解説
#PRIME-RL:デカップリング型非同期強化学習タスクアーキテクチャ
PRIME-RLはPrime Intellectが分散化トレーニングシナリオのためにカスタマイズしたタスクモデリングと実行フレームワークであり、異種ネットワークと非同期参加のために設計されています。強化学習を優先的な適合対象として採用し、トレーニング、推論、ウェイトアップロードのプロセスを構造的にデカップリングし、各トレーニングノードがローカルで独立してタスクループを完了でき、標準化インターフェースを通じて検証および集約メカニズムと協調します。従来の監視学習プロセスと比較して、PRIME-RLは中心的なスケジューリングのない環境での弾力的トレーニングの実現により適しており、システムの複雑性を低下させるだけでなく、多タスクの並行処理と戦略の進化をサポートするための基盤を築いています。
#TOPLOC:軽量トレーニング行動検証メカニズム
TOPLOC(信頼できる観察およびポリシー-ローカリティチェック)は、Prime Intellectが提唱した訓練の検証可能性のコアメカニズムであり、ノードが実際に観測データに基づいて有効な戦略学習を完了したかどうかを判断するために使用されます。ZKMLなどの重いソリューションとは異なり、TOPLOCは全モデルの再計算に依存せず、「観測シーケンス↔戦略更新」間の局所的一貫性軌跡を分析することによって、軽量構造の検証を行います。これは、訓練プロセス中の行動軌跡を検証可能なオブジェクトに初めて変換したもので、信頼不要の訓練報酬配分を実現するための重要な革新であり、監査可能でインセンティブのある分散型協調訓練ネットワークを構築するための実行可能な道を提供します。
#SHARDCAST:非同期重み付け集約および伝播プロトコル
SHARDCASTはPrime Intellectが設計した重み伝播と集約プロトコルであり、非同期、帯域制限、ノード状態が変動する実際のネットワーク環境に最適化されています。これはgossip伝播メカニズムと局所的同期戦略を組み合わせ、複数のノードが非同期状態で部分的な更新を継続的に提出できるようにし、重みの漸進的収束と多バージョンの進化を実現します。集中型または同期型のAllReduceメソッドと比較して、SHARDCASTは分散化トレーニングのスケーラビリティと耐障害性を大幅に向上させ、安定した重み合意と継続的なトレーニングの反復を構築するための核心的基盤です。
#OpenDiLoCo: スパース非同期通信フレームワーク
OpenDiLoCoは、Prime IntellectチームがDeepMindの提唱したDiLoCoの理念に基づき、独自に実装しオープンソース化した通信最適化フレームワークであり、分散化トレーニングにおける一般的な帯域幅制限、デバイスの異種性、ノードの不安定性といった課題に特化して設計されています。そのアーキテクチャはデータ並行性に基づき、Ring、Expander、Small-Worldなどの疎なトポロジー構造を構築することで、グローバル同期による高通信コストを回避し、局所的な隣接ノードのみに依存してモデルの協調トレーニングを完了することができます。非同期更新とチェックポイント耐障害機構を組み合わせることで、OpenDiLoCoはコンシューマ向けGPUやエッジデバイスが安定してトレーニングタスクに参加できるようにし、グローバルな協調トレーニングの参加可能性を大幅に向上させ、分散化トレーニングネットワークを構築するための重要な通信インフラの一つとなっています。
#PCCL:協調通信ライブラリ
PCCL(Prime Collective Communication Library)はPrime Intellectが分散化AIトレーニング環境のために特別に設計した軽量通信ライブラリであり、従来の通信ライブラリ(であるNCCLやGloo)の異種デバイスや低帯域幅ネットワークにおける適応ボトルネックを解決することを目的としています。PCCLはスパーストポロジー、勾配圧縮、低精度同期およびチェックポイント復旧をサポートし、コンシューマ向けGPUや不安定なノードで実行可能であり、OpenDiLoCoプロトコルの非同期通信能力を支える基盤コンポーネントです。これは、トレーニングネットワークの帯域幅耐性とデバイス互換性を大幅に向上させ、真にオープンで信頼を必要としない協調トレーニングネットワークを構築するための"最後の1マイル"の通信基盤を開通させました。
! 暗号AIの聖杯:分散型トレーニングのフロンティア探索
03、Prime Intellectのインセンティブネットワークと役割分担
Prime Intellectは、許可不要で検証可能な、経済的インセンティブメカニズムを備えたトレーニングネットワークを構築し、誰でもタスクに参加し、実際の貢献に基づいて報酬を得ることができるようにします。プロトコルは、3つのコアロールに基づいて運営されます:
プロトコルのコアプロセスは、タスクの公開、ノードのトレーニング、軌跡の検証、重みの集約(SHARDCAST)と報酬の配布を含み、"の周りに構成されます。